基于人工神经网络的砂卵石地层盾构地表沉降预测_荣雪宁.pdf

第 18 卷增刊 2地 下 空 间 与 工 程 学 报Vol.182022 年 12 月Chinese Journal of Underground Space and EngineeringDec.2022基于人工神经网络的砂卵石地层盾构地表沉降预测荣雪宁1,刘旭东2,文祝3,卢浩4,戎晓力3(1.南京工业大学 交通运输工程学院,南京 211816;2.华设设计集团股份有限公司,南京 210014;3.南京理工大学 机械工程学院,南京 210094;4.陆军工程大学 爆炸冲击防灾减灾国家重点实验室,南京 210007)摘要:成都地铁隧道主要穿越地层为砂卵石地层,采用土压平衡盾构施工。砂卵石地层具有明显的不均匀性和非连续性,工后沉降波动大且不易预测。根据成都地铁盾构 1 403 个测点的监测数据和施工数据,研究了多维掘进参数与地表沉降之间的关系。建立了砂卵石地层沉降预测的人工神经网络(ANN)模型,并对模型的节点参数进行优化。最终得到的 ANN 模型包括 9 个输入节点,19 个隐含层节点和 1 个输出节点。训练数据充足时,该模型有效反映了检验数据集的沉降变化趋势。在 50 组检验数据集上,沉降预测值与真实值的相关系数为0.645。针对某区间掘进工况的模拟检验表明,ANN 模型有效预测了该区间纵断面沉降分布,且区间下半段的预测误差明显小于区间上半段,表明模型预测效果随着区间盾构的推进逐步改善。与 Peck 经验公式的对比表明,经验公式法的预测值波动很小,适合在施工开始前预估隧道整体的平均沉降,难以判断区间内部的沉降波动;ANN 模型则适合在隧道掘进期间对特定位置的工后沉降做出预判。关键词:土压平衡盾构;砂卵石;地表沉降;掘进参数;人工神经网络中图分类号:TU47文献标识码:A文章编号:1673-0836(2022)增 2-0958-09Prediction of Surface Settlement Induced by Shield in Sandy Gravels Stratum Based on Artificial Neural NetworksRong Xuening1,Liu Xudong2,Wen Zhu3,Lu Hao4,Rong Xiaoli3(1.School ofTransportation Engineering,Nanjing Technology University,Nanjing 211816,P.R.China;2.China Design Group,Nanjing 210014,P.R.China;3.School of Mechanical Engineering,Nanjing University of Science and Technology,Nanjing 210094,P.R.China;4.State Key Laboratory of Disaster Prevention and Mitigation of Explosion and Impact,The Army Engineering University of PLA,Nanjing 210007,P.R.China)Abstract:Chengdu metro tunnels mainly go through sandy gravels stratum via earth pressure balanced(EPB)shield.The sand gravels stratum has obvious inhomogeneity and discontinuity,and the post-construction settlement fluctuates greatly and is not easy to predict.Data from 1 403 observation posts along Chengdu metro were collected,therefore the relationship between surface settlement and operational data of EPB machines was examined.A prediction model of surface settlement was proposed based on artificial neural network(ANN),while the parameters of the prediction model were optimized.The obtained ANN model consists of 9 input nodes,19 hidden nodes and 1 output node.With enough training data,the model effectively reflects the settlement 收稿日期:2022-03-11(修改稿)作者简介:荣雪宁(1988),男,湖北荆州人,博士,讲师,主要从事岩土工程、地下工程等领域的教学与科研工作。E-mail:rxn 通讯作者:戎晓力(xx),男,江苏句容人,博士,教授,主要从事地下工程方向的研究工作。E-mail:rongxiaoli 基金项目:中国博士后科学基金(2018M640488)variation trend of the test data set.For the 50 observation posts in validation set,correlation coefficient between predicted and measured settlement was 0.645.According to the simulation test of driving conditions in a certain section,the ANN model can effectively predict the longitudinal subsidence distribution in this area.The prediction error of the second half was significantly smaller than that of the first half,indicating that the prediction effect of the model is gradually improved with the advance of the interval shield.The comparison with Pecks empirical formula shows that the predicted value of the empirical formula method has little fluctuation,which is suitable for predicting the average settlement of the whole tunnel before construction starts,but difficult to judge the settlement fluctuation within the interval.The ANN model is suitable for predicting the post-construction settlement of a specific location during tunneling.Keywords:earth pressure balanced shield;sandy gravels;surface settlement;operation factor;artificial neural network0引言盾构施工广泛用于人口密集区域的城市轨道交通建设。为避免对周边居民和商业的影响,需要对盾构施工导致的地表沉降进行预测,以便提前预警、采取控制措施。针对盾构施工引起的沉降问题,国 内 外 研 究 者 主 要 从 经 验 统 计1-5、解 析 理论6-7、数值和室内模型试验8-9等手段出发,建立地面沉降的预测模型。对于均质的黏土和砂土地层,解析理论和数值方法可以较好的对盾构施工沉降进行预测10-11。而我国北京、长沙、成都等城市的地 铁 建 设 中,盾构隧道常需要穿越砂卵石地层3。砂卵石地层具有明显的非连续性和不均匀性,常规的解析或有限元方法难以适用,有研究采用缩尺模型实验和离散元模拟定性分析其变形特征6。对于实际工程尺度下的砂卵石地层盾构施工,目前主要采用经验方法来判断沉降12。沉降预测的经验方法一般基于实测统计数据得出,其中以 Peck 提出的经验公式最为常用。该公式以地层损失率等少数参数计算隧道施工的最大沉降及其横向分布1。Peck 公式适用范围广,可针对不同地层和施工方法选择不同的经验参数。魏纲2,王海涛等13进一步研究了经验公式法在不同地质和施工条件下的参数取值,以便在实际工程中应用。随着盾构机施工数据的累积,研究人员也开始分析大量盾构掘进数据中蕴含的与地表沉降有关的信息。李忠超等14、白永学等15研究了掘进参数与地层损失率等参数的关系,进而实现对地表沉降的预测。还有一些研究绕过 Peck 公式的概念,直接建立地表沉降与掘进参数之间的机器学习类模型16-20。这些研究表明,盾构掘进参数中蕴含了反映后续沉降发展的信息,采用掘进参数预测地表沉降是可行的。目前通过机器学习算法建立的沉降预测模型主要应用于较为均质的砂土或黏土地层,土样的黏聚力和内摩擦角是模型的重要输入参数15。成都地铁盾构穿越的砂卵石地层具有明显的不均匀性,该地层包含众多大粒径卵石、漂石,难以取得有效的黏聚力、内摩擦角等参数,限制了既有模型的有效性。砂卵石地层盾构掘进参数和地表沉降波动性强,需要建立大规模数据集才能有效分析。本文根据成都砂卵石地区积累的大量盾构掘进数据,分析了 1 475 组测点沉降和掘进数据的对应关系,数据集包括 3 个盾构区间的 6 条隧道。建立了砂卵石地层条件下的人工神经网络(ANN)模型。并根据成都地铁 7 号线武清区间左线掘进过程中的数据获取情况,考察了该方法在实际工况中的预测效果,比较了 ANN 方法与经验公式法的预测效果。1砂卵石地层及盾构机概况本文数据收集自成都地铁 7 号线神仙树站与清水河大桥站之间的神 红 武 清盾构区间,区间总长度约 7.4 km。该盾构区间位于川西平原岷江水系级阶地,地形较平坦,略有起伏,地面高程 498.3507.3 m。地层由上至下分别为第四系全新统人工填土(Qml4);全新统冲洪积(Qal4)黏性土、粉土和砂层;上更新统冰水沉积-冲积(Q3fgl+al)卵石土夹砂层;中更新统冰水沉积-冲积(Qfgl+al2)黏土;下伏白垩系上统灌口组(Kg2)泥岩。区间隧道主要穿越地层为中密砂卵石层(Qfgl+al3)。线路轨面最大埋深约 24.3 m,最小埋深 14.3 m。砂卵石地层的标贯实验 N 值为 12 20,卵石含量为 55 75%,余为中细砂充填。卵石粒径 20 150 mm,部分地段存在少量粒径大于 200 mm 的漂石,最大粒径约 300 mm,漂石含量不大于 1%。9592022 年增刊 2荣雪宁,等:基于人工神经网络的砂卵石地层盾构地表沉降预测本掘进区间采用中铁装备生产的土压平衡式盾构机。盾构机的主要技术参数见表 1。根据表 1所列开挖直径、管片外径和环宽可计算得到每环盾尾间隙体积为 4.05 m3。后续计算中将各环注浆体积除以 4.05 m3,可得到无量纲的注浆填充率参数。实际施工中,盾构机的土舱压力一般控制在0.6 2.3 bar 之 间,掘 进 速 度 则 维 持 在 20 70 mm/min 之间。表 1神仙树 清水河大桥区间盾构机主要技术指标T